運用指數平滑法預測太原北站調車機調動輛數的可行性分析

朱燦

摘 要：本文整理了近一年來太原北站各調車機調動輛數的數據，希望通過指數平滑法，能夠對未來太原北站調車機調動輛數進行預測。以便合理配置運輸資源和設備，挖掘運輸潛力以及制定更加合理的運輸計劃等。

關鍵詞：調車機；調動輛數；指數平滑法

中圖分類號：U292.6 文獻標識碼：A 文章編號：1671-2064（2018）22-0184-02

1 引言

隨著我國鐵路運輸企業改革的不斷深入，如何提升工作效率、挖掘運輸潛力已成為提質增效的重要手段。調車機作為車站調車工作的動力，其合理配置不但可以提高調車效率，加速車輛移動，而且可以取得經濟效益。調動輛數作為調車機工作量的一個重要指標，本文嘗試運用指數平滑法對其未來的增減趨勢做一個預測，如果合理，接下來會計劃對其他方面的數據進行下一步預測并綜合分析，為調車機的合理配置提供數據支持。

2 指數平滑法介紹

指數平滑法是由布朗（Robert G..Brown）所提出的，他認為時間序列的態勢具有穩定性或規則性，時間序列可以被合理地順勢推延，并認為最近的過去態勢，在某種程度上會持續到最近的未來。指數平滑法是生產預測中常用的一種方法。也用于中短期經濟發展趨勢預測。它是通過計算指數平滑值，配合一定的時間序列預測模型對現象的未來進行預測。其原理是任一期的指數平滑值都是本期實際觀察值與前一期指數平滑值的加權平均。指數平滑法公式如下：

3 運用指數平滑法的實證分析

3.1 太原北站各調車機調動輛數數據分析說明

運用指數平滑法進行分析時，要先對數據進行分析，以判斷數據能否使用指數平滑法進行分析。由于只有2017年7月至2018年6月的數據量，樣本數目偏少，因此只能預測到下一個月的調動輛數。為了驗證預測的準確性，作者決定將2018年6月作為預測的月份，通過模型給出的預測調動輛數與實際調動輛數進行對比，如果偏差值較低，則說明該方法適合對調車機調動輛數未來增減趨勢進行預測。太北調車機模型擬合表1所示，模型的擬合情況R方越低，越適合做時間序列分析。

如圖1所示，該圖為殘差的相關函數序列圖，包括自相關（ACF）和偏相關（PACF）的序列圖，可以看出并沒有顯著趨勢特征，可以使用該模型進行預測分析。現分別對各個太北調車機進行時間序列預測表2所示。

太北1調6月份，太北1調實際調動車輛1024輛，預測值838.18輛，偏差值18%。偏差值比較大。太北2調6月份，太北2調實際調動輛數515輛，預測值520.77輛，偏差值1.1%。偏差值較低，結果比較理想。太北3調6月份，太北3調實際調動車輛528輛，預測值567.95輛，偏差值7.5%。偏差值合理，基本正常。太北4調6月份，太北4調實際調動輛數396輛，預測值370輛，偏差值6.6%。偏差值合理，基本正常。太北5調6月份，太北5調實際調動輛數371輛，預測值452.34輛，偏差值21.9%。由于偏差值較大，作者詢問了相關科室負責人太北5調6月份調動輛數下降的原因，得到回復如下：

本月新增加STP設備。受STP設備約束，如：牽引或推進運行時由于STP設備原因，距離信號機50米處時自動停車，需要聯系信號樓開放信號后方可繼續作業，嚴重影響作業效率。

玉門溝調六月份，玉門溝調實際調動輛數300輛，預測值276.38輛，偏差值7.9%。偏差值略微偏高，基本合理。三給專調六月份，三給專調實際調動輛數317輛，預測值361.03輛，偏差值13.9%。偏差值較高，不是很理想。皇調六月份，皇調實際調動輛數194輛，預測值393.9輛，偏差值103%。由于皇調偏差值過與失常，作者就六月份皇后園站調車輛數下降的原因詢問相關科室負責人，得到回復如下：

非生產時間大，主要等工及等信號時間長，站內保留車多，導致調車穿正作業較多，調車人員對穿正天窗時間不掌握，導致穿正天窗時間不能及時完成調車作業任務，造成等信號、等工時間。

調車機變更（取消）計劃較多，調車區長在編制調車作業計劃前未能積極與車站調度員聯系，調車作業計劃執行時間、作業進度情況等，導致幾批計劃未按原計劃完成，造成調車機等工時間較多；利用到發線調車作業未能同車站值班員溝通，原計劃執行股道有列車占用造成變更計劃。

3.2 小結

根據太北5調和皇調偏差值較大的問題可以得出，運用指數平滑法時，需要考慮到非正常因素對調車輛數的影響。在今后的預測中應加以注意。另外，太北1調、三給專調偏差值較大，考慮到樣本數目較少，以及其他因素的變化（例如：太原西站調車機調整對西山支線區域調車機作業的變化），模擬結果基本可以接受。太北2調、太北3調、太北4調、玉門溝調的偏差值都能保持在10%以下，結果滿意。

4 結語

合理地運用大數據進行分析，對鐵路今后的發展具有重要意義。通過本次模擬，可以得出運用指數平滑法對調車機調動輛數的預測是可行的。雖然個別偏差值較大，但是如果能夠得到更多的樣本數據支持，同時在模擬時結合生產時間、輔助生產時間、非生產時間等諸多因素的話，相信最后得到的預測值能夠更加精準，預測月份能夠更加長遠，為合理配置運輸資源和設備，挖掘運輸潛力以及制定更加合理的運輸計劃等多方面工作提供有力的數據支持。